P3 用神经网络进行深度学习

 介绍一下监督学习

 

input(x)	output(y)	application	情况
home features	price	real estate	输入房子的特征，输出房价。
Ad,user information	click on ad?(0/1)	online advertising	线上投放广告，输入用户信息，输出用户是否点击了广告。常被用于在线广告商应用。
image	objects(1......1000)	photo tagging	计算机视觉,输入对图片的想象，输出1000张可能符合描述的图片。常被用于给图片打标签。
audio	text transcript	speech recognition	输入语音，输出文本形式的文字。常被用于语音识别。
english	chinese	machine translation	机器翻译。输入英文文本，输出中文文本。
image，radar information	position of other cars	autonomous driving	自动驾驶。输入对车前情况的想象，雷达的信息。输出其他车辆的信息。

 

 

对于像是房地产、广告这种问题，通常使用Standard NN（标准神经网络）

对于像是图像应用，通常使用CNN（卷积神经网络）

对于像是音频，这种一维时间序列，对于序列数据，通常使用RNN或递归神经网络

对于像是语言，一种更复杂的序列，需要更复杂的RNNS

对于更复杂的汽车自动驾驶，需要更混合，更自定义的RNNS（more custom or hybrid）

那么我们简单看一眼什么是标准神经网络？？？

 什么是卷积神经网络？？？

 什么是递归神经网络？？？

 Supervised learning includes structured data and unstructured data 

监督学习包含结构化数据、非结构化数据

结构化数据通常就是数据库的数据，比如说在房价预测模型中，通常你会有一张表格记录了

 房子的特征和房子的房价

或者在预测用户是否会点击广告的模型中，通常你会有：

 用户的年龄、广告的编号，是否点击

结构化的数据就是像这样有比较具体的含义，或者说就是数字。

非结构化数据，比如图像中的像素值，音频，或文本中的单词。

感谢deep learning 计算机现在非常善于解释非结构化数据（归功于人们对非结构化数据的理解非常好）

然而神经网络在经济上的成就还是在结构化数据的应用方面产生，这能够帮助大公司做决策，避免错误和成本的浪费